不同工业数据分析项目要求的交付形式不同。在装备制造研发企业，数据分析项目的交付形式通常是模型服务和数据服务。对于一个给定问题，把分析模型开发出来并严格验证，将分析模型及背后的逻辑交付给工业企业的数字化团队或研发团队，他们接手后进行后续运维与改进，以支持新型号的持续研发。在装备研发中，研发团队期望将研发设计与装备使用表现、运维故障关联起来，需要整合装备的全生命周期数据（覆盖了不同工况、地理环境、不同时空颗粒度的样本）。但在很多生产型企业，数据分析项目的交付形式是业务应用，并可能需要与现有系统集成，这样广大生产人员才能用得起来。当然，在工艺变化快或定制化生产企业，分析模型也是有效的交付方式，以保持与生产更新的同步。
这些差异背后的原因是用户对象（技术能力与考核体系）、问题类型（信息源、问题结构稳定性）的不同，见表1-2。在研发工作中，需求变化很快，很难形成稳定的应用需求，存在成熟的既有专业工具链，需要的是合适丰富的输入数据。例如，在风力发电机组研发中，10min的风资源数据、风功率曲线等数据是很多研发工作（风场设计、载荷仿真、控制设计、状态诊断等）的共性需求。共同的数据预处理模型甚至结果数据集，可以消除不同团队的重复投入，并且加速处理逻辑的收敛（如果存在缺陷，会更快被发现），对于提高团队协同效率有很大促进作用。
表 1 用户对象、问题类型对分析模型、数据服务和业务应用的需求
![]()
智能应用的产品经理很重要，往往需要精通业务，有深度的分解能力，以及巧妙的设计能力（深谙数据技术在哪些决策点上有用）。例如，知识图谱在工艺设计应用时，产品经理有两个选择：1）个性化推荐，选择某些重点环节，知识图谱挖掘通过推送类似案例、过去常出现的错误、某个问题历史上出现的频次和解决方案，在既有的设计工具环境中，通过插件机制，有针对性地提醒设计人员，从而提高工艺设计质量；2）“强逼”知识图谱工具把工艺设计的专业逻辑也完成，开发一套全新的智能化应用。综合来看，第1种方式可实施性更高，把各项技术的“擅长”之处有效结合起来。
